CN104502982B - 一种细粒度免校验的室内被动人体检测方法 - Google Patents
一种细粒度免校验的室内被动人体检测方法 Download PDFInfo
- Publication number
- CN104502982B CN104502982B CN201410765038.8A CN201410765038A CN104502982B CN 104502982 B CN104502982 B CN 104502982B CN 201410765038 A CN201410765038 A CN 201410765038A CN 104502982 B CN104502982 B CN 104502982B
- Authority
- CN
- China
- Prior art keywords
- signal
- subcarrier
- receiver
- amplitude
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种细粒度免校验的室内被动人体检测方法。包括以下几步:构建标准信号特征文件;根据标准信号特征文件计算接收机敏感度因子;根据接收机敏感度因子估计入侵检测阈值;接收机实时收集当前检测信号的信道状态信息,并从中提取检测信号特征,计算检测信号特征与标准信号特征相关性;判断检测信号特征与标准信号特征相关性是否小于检测阈值,如果小于阈值,则有入侵人体出现,否则无人出现。本发明依赖较少的人工劳动,部署快捷方便。
Description
技术领域
本发明属于一种无线定位技术,尤其能够自动预测检测阈值的,一种细粒度免校验的室内被动人体检测方法。
背景技术
随着科学技术的不断发展,室内入侵技术也在不断的提升。基于压力感知、红外感知、图像感知的传统入侵检测逐渐被破解。无线入侵检测系统继而得到了极大的关注。无线入侵检测系统通过分析接收到的无线信号特征来捕获环境变化,及时发现入侵行为。无线信号所具有全向覆盖、环境变化感知敏感的特点帮助其在入侵检测领域发挥出优异的表现。近几年,室内WLAN技术的快速发展给室内入侵检测带来了新的发展浪潮。价格便宜的,易于部署的WLAN设备目前已被广泛部署在工厂、楼宇、家庭环境中。这些WLAN设备不仅仅是数据传输的路由设备,更是廉价的无线信号发射机。若他们被应用到室内无线入侵检测系统中,将使室内入侵检测系统具有更强的普适性,能够应用到不同场景下。因此,许多学者在基于WLAN设备的室内无线入侵检测系统中付诸了大量精力进行研究。
RSSI作为一个来自链路层的信号特征,其易于获取、易于处理的特点使其首先作为无线信号特征被应用到室内无线入侵检测系统中。其中,室内无线入侵检测,也称为室内被动入侵检测,被认为是入侵者不携带任何无线设备,系统通过分析监测区域内链路RSSI值变化来实现入侵检测。为了增大监测区域和提高检测精度,基于RSSI的室内入侵检测系统采用多链路架构,然而这种架构增加了系统花费和部署开销。另一方面,在室内环境下由于信号多径效应的影响,RSSI值具有时间上的不稳定性。这个缺点限制了室内入侵检测系统精度的提高。因此,许多学者探索利用细粒度的物理层信息来克服多径效应,以提高室内入侵检测系统的精度。
物理层信息中最常用的特征是信道响应。室内信号在传播过程中遭受了不同的能量衰减、信号反射、散射,以分簇形式先后达到接收机。为了从时域上区分多径信号,无线信道被建模为一个时间线性过滤器,即信道时域响应。然而我们发现在室内环境下,信道时域响应对于入侵行为的敏感度较低。值得注意的是,正交频分复用系统提供了一个简单的信道频域响应,将信道划分为多个不同频率的子载波,每个子载波具有独立的振幅与相位。室内环境下,信道频域响应具有频域选择性衰减。不同频率的子载波在经历相似的穿透、反射后,其振幅将发生不同的变化。因而其对入侵行为具有较高的敏感度。幸运地是,信道频域响应能够从普通商业网卡中提取并以信道状态信息的形式提交给用户态。大量的基于信道状态信息的细粒度室内入侵检测系统继而问世,并表现出优异的性能。
在值得庆幸的同时,我们注意到目前已有的细粒度室内无线入侵检测系统,包括两个部分:离线训练和在线检测。离线训练过程需要采集无人情况下和有入侵者情况下的信号特征信息来确定检测阈值。这个过程也是无法避免的,因为在现实环境中,由于环境结构不同,信道频域响应不同。当入侵行为发生时,入侵者对多径信号产生的干扰导致的频域选择性衰减不同,因此需要现场勘测来确定检测阈值。但是离线训练是一个耗时的、劳动密集型的过程,并且需要专业人士进行现场勘测和参数调控,这无疑增加了系统开销和部署难度。为此,我们在进行了大量的实验和深入的分析后发现,检测阈值大小与室内多径信号变化表现出的敏感度相关。在保证不丢失大量的检测精度的前提下,通过探测室内多径信号成分的多少可以预测检测阈值大小。估算多径信号成分与视距路径比重常用的方法是计算莱斯因子。然而在室内环境下,当视距路径信号能量小时,莱斯因子对多径变化表现较低的敏感度。同时分析室内信号多径传播往往需要利用专业设备,如VNA,SDN等,这些设备价格昂贵,携带不便,操作繁琐。
发明内容
本发明的目的是提供部署快捷方便并且能够预测检测阈值的,细粒度免校验的室内被动人体检测方法。
本发明是通过以下技术方案实现的:
一种细粒度免校验的室内被动人体检测方法,包括以下几个步骤:
步骤一:构建标准信号特征文件;
步骤二:根据标准信号特征文件计算接收机敏感度因子;
步骤三:根据接收机敏感度因子估计入侵检测阈值;
步骤四:接收机实时收集当前检测信号的信道状态信息,并从中提取检测信号特征,计算检测信号特征与标准信号特征相关性;
步骤五:判断检测信号特征与标准信号特征相关性是否小于检测阈值,如果小于阈值,则有入侵人体出现,否则无人出现。
本发明一种细粒度免校验的室内被动人体检测方法,还可以包括:
1、构建标准信号特征文件Hstd的方法为:在初始时刻,无人情况下,选取m个数据包,提取每一个数据包中的信号特征,形成标准信号特征文件Hstd,其中信号特征为从信道状态信息中提取频域上所有子载波的振幅向量。
2、信号特征求取过程为:
建立无线通信模型:
其中,t是时间,y是接收信号,x是发送信号,h是信道状态信息,z为高斯白噪音,
计算每个子载波信道状态信息的振幅向量作为信号特征,
在频率域中,OFDM系统在OFDM子载波粒度上信道频率响应为:
H={H(1),H(2),...,H(N)}
每个子载波的CFR信息为:
H(f)=|H(f)|exp(jsin(∠H(f)))
其中H(f)表示子载波的振幅响应,而∠H(f)表示子载波的相位响应。
3、计算接收机敏感度因子的方法为,
1)将每个子载波的振幅归一化到中心频率上:
其中H(fk)是第k个子载波原始振幅值,Hnorm(fk)第k个子载波归一化后的振幅值,f0是中心频率值,fk是第k个子载波的频率值,
2)求取归一化后的振幅向量的变异系数:
其中,std(Hnorm)和mean(Hnorm)分别是归一化CSI振幅Hnorm的标准差与均值,
3)求取接收机敏感度因子变量Ks:
其中x为变异系数ν的测量值,μ为变异系数ν的均值,σ为变异系数ν的标准差值。
4、根据接收机敏感度因子估计入侵检测阈值C为:
C=a·Ks+b
其中,a和b为系数。
5、检测信号为入侵检测阈值估计完成后,接收机实时采集到的信号,从检测信号的信道状态信息中提取的信号特征为检测信号特征Hdetect,检测信号特征Hdetect与标准信号特征Hstd相关性为:
有益效果:
本发明提出一个细粒度免校验的室内被动入侵检测的方法,此方法包括四个步骤。通过现场测量接收机敏感度因子大小,利用阈值预测模型预测检测阈值,最后入侵检测系统根据阈值大小实现无线入侵发现。该方法依赖较少的人工劳动,部署快捷方便,大大地降低了入侵检测系统的部署难度。
本发明仅依赖一组接收机与发射机,能够适应不同大小空间下的人体检测需求。同时该发明也可以扩展到多组接收机与发射机来适应较大空间下的人体入侵检测,具有灵活的扩展性。
附图说明
图1是本发明的细粒度免校验的室内被入侵检测的流程图。
图2是本发明的细粒度免校验的室内被动入侵检测的示意图。
具体实施方式
下面将结合附图对本发明做进一步详细说明。
本发明提供一种细粒度免校验的室内被动入侵检测的方法,利用从普通商业网卡上获取的信道状态信息来评估室内多径信号变化表现的敏感度,进而预测新的入侵检测系统的检测阈值大小,以降低部署开销,增强无线室内入侵检测的应用性。
为实现上诉发明目的,本发明提供一种细粒度免校验的室内被动入侵检测的方法,其包括以下四个步骤:
步骤A:提取信号特征信息;
步骤B:构建标准信号特征文件,计算接收机敏感度因子大小;
步骤C:预测入侵检测阈值大小;
步骤D:计算检测信号特征与标准信号特征相关性,判断是否有入侵人体出现。
步骤A中的信号特征信息是指子载波的振幅信息,其所述提取信号特征信息的步骤包括:
步骤A1:采集信道状态信息;
步骤A2:提取各个子载波的振幅值作为信号特征;
步骤B中的构建标准信号特征文件,计算接收机敏感度因子大小的步骤为:
步骤B1:收集标准信号特征信息,将其存储在本地文件中;
步骤B2:利用标准信号特征文件计算接收机敏感度因子。
步骤C中的预测入侵检测阈值大小是建立在预测入侵检测阈值模型上。预测入侵检测阈值模型是指系统入侵检测阈值与接收机敏感度因子成线性关系。
步骤D中的计算检测信号特征与标准信号特征相关性的步骤为:
步骤D1:采集检测信号特征信息;
步骤D2:计算检测信号特征与标准信号特征相关性;
步骤D3:判断其相关性是否小于阈值,如果小于阈值则判断有入侵人体出现,否则无人出现。
进一步地,接收机和发射机的位置部署可以是任意的,也可以是现场调试的。对于需要较敏感的监测区域,则需要根据敏感度因子来调整接收机的位置。
图1是本发明第一实施例提供的细粒度免校验的室内被动入侵检测的实现流程图,该方法详述如下:
在步骤101中,提取信号特征,从信道状态信息中提取频域上所有子载波的信道状态信息的振幅向量。
在无线传输过程中,无线通信可以被简单建模为:
这里t是时间,y是接收信号,x是发送信号,h是信道相应或者信道状态信息,通常情况下其为一个复数,代表信号振幅与相位信息,z为高斯白噪音。在传统的室内环境中,一个传输信号可以通过多径进行传播,并导致不同的传播长度、路径损失、不同的时延、振幅衰减和相位偏移。而多径环境可以通过时间线性过滤器h(τ)特征化,即信道脉冲响应(Channel Impulse Response,CIR):
其中,ai、θi和τi分别代表第i个多径的振幅、相位和时延,i=1,2,…,N,N表示多径数。
在频率域中,OFDM系统在OFDM子载波粒度上提供信道频率响应(ChannelFrequency Response,CFR):
H={H(1),H(2),...,H(N)} (3)
其中N为子载波个数。每个子载波的CFR信息是一个复数值,每个子载波又被定义为:
H(f)=|H(f)|exp(jsin(∠H(f))) (4)
其中H(f)表示子载波的振幅响应,而∠H(f)表示子载波的相位响应。
对于给定的一个带宽,CIR可以通过快速傅里叶变换转换成CFR:
H=FFT(h(τ)) (5)
尽管CIR与CFR在信道相应模型上是等价的。但是在人体检测与定位领域更加偏向使用CFR作为信号特征。目前已可以从商业Intel 5300无线网卡上利用更新后的固件提取具有30个子载波的CFR,并能以信道状态信息的形式提交到用户态进行程序处理。
每一个子载波的信道状态信息是以一个复数的形式来表示的,其包含了每个子载波的振幅与相位信息。通过计算每个子载波信道状态信息的振幅值,程序可以获取一个包含所有子载波振幅的向量,将其作为信号特征。
在步骤102中,当监测区域无人的情况下,系统采集n个数据包并从中随机选取m个数据包,提取每一个数据包中的信号特征然后构建标准信号特征文件Hstd:
在步骤103中,系统计算接收机敏感度因子。为了刻画接收机对于人体移动的敏感度,我们引入了接收机敏感度因子变量。接收机敏感度因子可以在一定程度上反映出多径信号占接收机总信号比重大小。接收机敏感度因子的计算是利用标准信号特征文件。首先需要将每一个信号特征进行振幅归一化,将每个子载波的振幅归一化到中心频率上:
其中H(fk)和Hnorm(fk)分别是第k个子载波原始振幅值和归一化后的振幅值。f0是中心频率值,fk是第k个子载波的频率值。
为了消除测量尺度影响,获得一个统一的数据量纲,本发明需计算归一化后的振幅向量的变异系数:
其中std(Hnorm)和mean(Hnorm)分别是归一化CSI振幅Hnorm的标准差与均值。因此利用静态标准信号特征文件可以计算得到变异系数集当敏感度较大时,CV值具有较大值和较宽的分布。当敏感度较小时,CV值则具有较小值和较窄的分布。为了刻画CV的分布与敏感度大小,本发明引入了接收机敏感度因子变量Ks:
其中,x,μ和σ分别代表ν的测量值、均值和标准差值。
在步骤104中,系统根据已计算的接收机敏感度因子对入侵检测阈值进行估计。检测阈值C与敏感度因子Ks有如下关系:
C=a·Ks+b (10)
利用两者之间成线性关系。预测模型中的参数a和b可通过传统入侵检测阈值测量方法测得。
在步骤105中,接收机收集检测信号的信道状态信息,并从中提取检测信号特征Htest,信号特征提取过程同步骤101。然后系统计算每个检测信号特征Hdetect与标准信号特征文件中信号特征集合Hstd的相关性,其计算方法公式如下:
在步骤106中,系统对比步骤105中获得的Cdetect与检测阈值的大小。如果Cdetect小于系统预测的检测阈值,则说明监测区域内有入侵人体出现,发出入侵警报;否则继续收集检测信号的信道状态信息。
图2是本发明第二实施例提供的细粒度免校验的室内被动入侵检测的方法实现的示意图。信号发射机(TX)采用目前应用最为普及的商用无线路由器(AP),而信号接收机(RX)为商用电脑,该电脑上配置有Intel NIC 5300网卡,支持802.11n协议,安装Linux操作系统和Linux CSI Tool工具。Linux CSI Tool包含针对Intel NIC 5300网卡的一款驱动程序iwlwifi,它可以获取OFDM系统中30个子载波的信道响应信息,并能够以信道状态信息(CSI)形式提交给相应程序进行处理。信号发射机和信号接收机一般被固定在离地面高度1.2m的位置,这样能更准确的对人体的出现进行检测和定位。信号接收机以一定速率(例如设定为每秒钟20个数据包)向信号发射机发送ICMP请求报文,然后信号接收机利用LinuxCSI Tool驱动从信号发射机的应答包中获取CSI信息,并实时将收集的CSI信息通过UDP协议发送给人体检测和定位的装置。系统部署期间,测试人员应首先对系统参数进行设置,包括ICMP包发送速率、应用服务器IP地址参数等相应信息。
当设备部署完成后,系统采集信道状态信息。安装人员开启标准信号特征采集功能,并确保监测区域内无人出现。接收机会以20Hz的频率向发射机发射ICMP报文,接收机通过网卡固件获取信道状态信息,该信道状态信息被上传到用户态数据发送模块。数据发送模块利用UDP协议,将信道状态信息发送给检测系统。检测系统数据接收模块接收机发送来的数据后,利用CSI Tool工具提取信号特征。系统会自动计算天线上信号特征中每个子载波的振幅,并将其存储在标准信号特征文件中。采集过程大概需要5分钟左右。系统将会提取标准信号特征文件中每个数据包的信号特征,计算每个数据包的信号特征变异系数,将其存入内存数组中。当提取所有的数据包的变异系数后,系统按照图1中步骤102的方法计算出检测系统在此场景下的敏感度因子。利用系统预测模型(步骤103)来预测出此场景下的检测阈值。
当完成了环境适应过程后,系统开启在线检测功能。接收机以每秒20Hz的频率向接收机发送ICMP包,并从网卡中获取信道信息,并通过数据发送模块利用UDP协议将其实时地发送给执行检测系统的设备。当检测系统接收到信道信息后,利用CSI Tool工具提取数据包的信号特征,并将其存入到时间窗口缓冲区中。当缓冲区被填满后,系统读取缓冲区内所有的信号特征,求其接收机天线上每个子载波的振幅均值。然后系统读取标准文件中的信号特征,计算接收机天线上的新的信号特征与标准静态信号特征的相关性。如果相关性大于检测阈值则将缓冲区清空,继续下一轮检测;否则意味有入侵人体出现在监测区域。
Claims (3)
1.一种细粒度免校验的室内被动人体检测方法,其特征在于,包括以下几个步骤:
步骤一:构建标准信号特征文件;
步骤二:根据标准信号特征文件计算接收机敏感度因子;
步骤三:根据接收机敏感度因子估计入侵检测阈值;
步骤四:接收机实时收集当前检测信号的信道状态信息,并从中提取检测信号特征,计算检测信号特征与标准信号特征相关性;
步骤五:判断检测信号特征与标准信号特征相关性是否小于检测阈值,如果小于阈值,则有入侵人体出现,否则无人出现;
所述的构建标准信号特征文件Hstd的方法为:在初始时刻,无人情况下,选取m个数据包,提取每一个数据包中的信号特征,形成标准信号特征文件Hstd,其中信号特征为从信道状态信息中提取频域上所有子载波的振幅向量;
所述的信号特征求取过程为:
建立无线通信模型:
其中,t是时间,y是接收信号,x是发送信号,h是信道状态信息,z为高斯白噪音,
计算每个子载波信道状态信息的振幅向量作为信号特征,
在频率域中,OFDM系统在OFDM子载波粒度上信道频率响应为:
H={H(1),H(2),...,H(N)}
每个子载波的CFR信息为:
H(f)=|H(f)|exp(jsin(∠H(f)))
其中H(f)表示子载波的振幅响应,而∠H(f)表示子载波的相位响应;
所述的计算接收机敏感度因子的方法为,
1)将每个子载波的振幅归一化到中心频率上:
其中H(fk)是第k个子载波原始振幅值,Hnorm(fk)第k个子载波归一化后的振幅值,f0是中心频率值,fk是第k个子载波的频率值,
2)求取归一化后的振幅向量的变异系数:
其中,std(Hnorm)和mean(Hnorm)分别是归一化CSI振幅Hnorm的标准差与均值,
3)求取接收机敏感度因子变量Ks:
其中x为变异系数ν的测量值,μ为变异系数ν的均值,σ为变异系数ν的标准差值。
2.根据权利要求1所述的一种细粒度免校验的室内被动人体检测方法,其特征在于:所述的根据接收机敏感度因子估计入侵检测阈值C为:
C=a·Ks+b
其中,a和b为系数。
3.根据权利要求1所述的一种细粒度免校验的室内被动人体检测方法,其特征在于:所述的检测信号为入侵检测阈值估计完成后,接收机实时采集到的信号,从检测信号的信道状态信息中提取的信号特征为检测信号特征Hdetect,检测信号特征Hdetect与标准信号特征Hstd相关性为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410765038.8A CN104502982B (zh) | 2014-12-11 | 2014-12-11 | 一种细粒度免校验的室内被动人体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410765038.8A CN104502982B (zh) | 2014-12-11 | 2014-12-11 | 一种细粒度免校验的室内被动人体检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104502982A CN104502982A (zh) | 2015-04-08 |
CN104502982B true CN104502982B (zh) | 2017-04-12 |
Family
ID=52944393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410765038.8A Active CN104502982B (zh) | 2014-12-11 | 2014-12-11 | 一种细粒度免校验的室内被动人体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104502982B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104883732B (zh) * | 2015-04-14 | 2019-05-17 | 哈尔滨工程大学 | 一种增强型室内无源被动人体定位方法 |
CN104766427B (zh) * | 2015-04-27 | 2017-04-05 | 太原理工大学 | 一种基于Wi‑Fi的房屋非法入侵检测方法 |
CN105158727B (zh) * | 2015-06-18 | 2017-10-31 | 哈尔滨工程大学 | 一种增强型室内无源被动人体定位方法 |
US9474042B1 (en) * | 2015-09-16 | 2016-10-18 | Ivani, LLC | Detecting location within a network |
CN105303743B (zh) * | 2015-09-15 | 2017-10-31 | 北京腾客科技有限公司 | 基于WiFi的室内入侵检测方法和装置 |
US10665284B2 (en) | 2015-09-16 | 2020-05-26 | Ivani, LLC | Detecting location within a network |
US10382893B1 (en) | 2015-09-16 | 2019-08-13 | Ivani, LLC | Building system control utilizing building occupancy |
US11350238B2 (en) | 2015-09-16 | 2022-05-31 | Ivani, LLC | Systems and methods for detecting the presence of a user at a computer |
US10321270B2 (en) | 2015-09-16 | 2019-06-11 | Ivani, LLC | Reverse-beacon indoor positioning system using existing detection fields |
CN105785454B (zh) * | 2016-03-04 | 2018-03-27 | 电子科技大学 | 基于信道频域响应的室内运动检测方法 |
CN109698724A (zh) * | 2017-10-24 | 2019-04-30 | 中国移动通信集团安徽有限公司 | 入侵检测方法、装置、设备及存储介质 |
CN107994960B (zh) * | 2017-11-06 | 2020-11-27 | 北京大学(天津滨海)新一代信息技术研究院 | 一种室内活动检测方法及系统 |
CN109671238B (zh) * | 2018-12-07 | 2020-08-04 | 浙江大学 | 一种基于无线信道状态信息的室内入侵检测方法 |
CN111631723A (zh) * | 2020-05-22 | 2020-09-08 | 哈尔滨工程大学 | 一种基于信道状态信息的室内被动动态人体检测方法 |
CN112869734B (zh) * | 2021-01-11 | 2022-10-21 | 乐鑫信息科技(上海)股份有限公司 | 一种Wi-Fi人体检测的方法和智能设备 |
CN114302058B (zh) * | 2021-12-27 | 2023-05-16 | 浙江大华技术股份有限公司 | 提高摄像机唤醒准确度的方法、装置及可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1460932A (zh) * | 2003-06-18 | 2003-12-10 | 北京首信股份有限公司 | 一种基于相关特征聚类的层次入侵检测系统 |
CN102045358A (zh) * | 2010-12-29 | 2011-05-04 | 深圳市永达电子股份有限公司 | 一种基于整合相关性分析与分级聚类的入侵检测方法 |
CN102830440A (zh) * | 2012-09-04 | 2012-12-19 | 宁波大学 | 一种室内人体探测方法 |
CN102983920A (zh) * | 2012-11-15 | 2013-03-20 | 北京交通大学 | 一种无线信道探测方法及装置 |
CN103023589A (zh) * | 2012-12-06 | 2013-04-03 | 中山大学 | 一种室内无源被动式移动检测方法及其检测装置 |
CN103209478A (zh) * | 2013-04-27 | 2013-07-17 | 福建师范大学 | 基于分类阈值及信号强度权重的室内定位方法 |
CN103457945A (zh) * | 2013-08-28 | 2013-12-18 | 中国科学院信息工程研究所 | 入侵检测方法及系统 |
CN103596266A (zh) * | 2013-11-26 | 2014-02-19 | 无锡市中安捷联科技有限公司 | 一种人体检测和定位的方法、装置及系统 |
CN104200589A (zh) * | 2014-08-15 | 2014-12-10 | 深圳市中兴新地通信器材有限公司 | 一种入侵探测方法、装置及安防监控系统 |
-
2014
- 2014-12-11 CN CN201410765038.8A patent/CN104502982B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1460932A (zh) * | 2003-06-18 | 2003-12-10 | 北京首信股份有限公司 | 一种基于相关特征聚类的层次入侵检测系统 |
CN102045358A (zh) * | 2010-12-29 | 2011-05-04 | 深圳市永达电子股份有限公司 | 一种基于整合相关性分析与分级聚类的入侵检测方法 |
CN102830440A (zh) * | 2012-09-04 | 2012-12-19 | 宁波大学 | 一种室内人体探测方法 |
CN102983920A (zh) * | 2012-11-15 | 2013-03-20 | 北京交通大学 | 一种无线信道探测方法及装置 |
CN103023589A (zh) * | 2012-12-06 | 2013-04-03 | 中山大学 | 一种室内无源被动式移动检测方法及其检测装置 |
CN103209478A (zh) * | 2013-04-27 | 2013-07-17 | 福建师范大学 | 基于分类阈值及信号强度权重的室内定位方法 |
CN103457945A (zh) * | 2013-08-28 | 2013-12-18 | 中国科学院信息工程研究所 | 入侵检测方法及系统 |
CN103596266A (zh) * | 2013-11-26 | 2014-02-19 | 无锡市中安捷联科技有限公司 | 一种人体检测和定位的方法、装置及系统 |
CN104200589A (zh) * | 2014-08-15 | 2014-12-10 | 深圳市中兴新地通信器材有限公司 | 一种入侵探测方法、装置及安防监控系统 |
Non-Patent Citations (2)
Title |
---|
Omnidirectional Coverage for Device-Free Passive Human Detection;Zimu Zhou etal;《IEEE》;20140731;第25卷(第7期);第1819-1829页 * |
You are Facing the Mona Lisa:Spot Localization using PHY Layer Information;Souvik Sen et al;《Proceedings of the 10th international conference on Mobile system, applications and services》;20120629;第183-196页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104502982A (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104502982B (zh) | 一种细粒度免校验的室内被动人体检测方法 | |
Joo et al. | Deep learning-based channel prediction in realistic vehicular communications | |
CN103596266B (zh) | 一种人体检测和定位的方法、装置及系统 | |
CN107968689B (zh) | 基于无线通信信号的感知识别方法及装置 | |
CN104883732B (zh) | 一种增强型室内无源被动人体定位方法 | |
WO2018133264A1 (zh) | 一种人体室内定位自动检测方法及系统 | |
CN107480699A (zh) | 一种基于信道状态信息和支持向量机的入侵检测方法 | |
CN109672485B (zh) | 基于信道状态信息室内人员实时入侵及运动速度检测方法 | |
CN106411433B (zh) | 一种基于wlan的细粒度室内被动入侵检测方法 | |
US11070399B1 (en) | Filtering channel responses for motion detection | |
CN104467990B (zh) | 一种识别无线信号的视距传播路径的方法及装置 | |
CN108038419A (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
JP6032469B2 (ja) | 発信源推定方法およびそれを利用した発信源推定装置 | |
CN108736987A (zh) | 一种基于WiFi的信道状态信息的多普勒频移测量方法 | |
CN110099019A (zh) | 基于深度学习的LoRa调制信号检测方法 | |
CN102883360A (zh) | 一种室内无线全向被动用户检测的方法及系统 | |
CN114285500B (zh) | 一种uwb室内定位信道质量评估方法 | |
CN104683051A (zh) | 一种无线多径衰落信道仿真方法及信道仿真器 | |
CN112040400B (zh) | 一种基于mimo-csi的单站点室内指纹定位方法、存储介质及设备 | |
CN109698724A (zh) | 入侵检测方法、装置、设备及存储介质 | |
CN109255874B (zh) | 一种基于普通商用WiFi设备的通行及人数检测方法 | |
CN114222202A (zh) | 一种基于WiFi CSI的环境自适应活动检测方法及系统 | |
CN103702282A (zh) | 一种基于迁移压缩感知的多种类多目标被动式定位方法 | |
CN105531600B (zh) | 无线网络中用于用户速度估计的时间分析 | |
CN107911863B (zh) | 一种基于简单手势确定恶意ap位置的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |